안녕하세요. 엔지엠소프트웨어입니다. 머신러닝(Machine Learning)의 3번째 기능인 욜로 매치 액션이 추가되었습니다. 엔지엠에서 기본으로 제공하는 머신러닝이 2가지 있지만, 사용성과 접근성이 좋지 못한 단점이 있습니다. 욜로 매치는 다크넷의 욜로 모델을 사용합니다. 매뉴얼 > 학습 > 딥러닝을 통해 욜로를 학습(훈련)시키기 위한 시스템을 구축할 수 있습니다. 아래 링크에서 CUDA 10.2 버전을 설치해주세요. cuDNN은 CUDA 10.2 버전에 맞는 7.6.5 버전을 설치해야 합니다.

[ ※ 중요 - 욜로 매치 액션을 사용하기 위한 컴퓨터 셋팅 방법 ]

[ 욜로 매치 V3의 GPU 사용시 추가 설치 항목 ]

※ 욜로 매치의 GPU 기능을 사용하려면 CUDA, cuDNN이 미리 설치되어 있어야 합니다.

※ 욜로 매치의 갱신 속성은 다른 속성을 변경하면 꼭! 한번은 True로 적용하고, 다시 False로 변경해야 속도가 빠릅니다.

※ 갱신을 사용하는 이유는 처음 실행시 딥러닝 엔진을 초기화 하는데 시간이 많이 소요되므로, 한번만 메모리로 로딩하기 위한 옵션입니다.

 

이 예제를 따라하기 위해 다크넷에서 훈련 파일(yolov3.weights)을 다운로드 받습니다.

https://pjreddie.com/darknet/yolo/

 

 

이 글에 첨부되어 있는 cfg파일과 names파일도 다운로드 받습니다. 에디터를 실행한 후 For 반복과 욜로 매치 액션을 추가하세요. 아래 그림을 참고해서 For 반복 하위로 욜로 매치를 추가해야 합니다.

 

 

For 반복의 속성을 아래와 같이 설정하세요.

1. 반복: 100

 

 

동작 확인을 위해 감지 또는 검출된 이미지를 저장하도록 합니다. 욜로 매치의 "대상 이미지 저장 확장" 카테고리를 아래와 같이 설정하세요.

• 감지 영역 색: Orange
• 감지 영역 표시: True
• 대상 이미지 저장: True
• 저장 위치: 바탕화면/Result (바탕화면에 미리 Result 폴더를 만든 후 선택하세요.)

 

 

욜로 모델 및 GPU 옵션을 선택합니다.

1. 욜로 모델
   - GPU 사용: True
   - GPU 수: 1 (사용자마다 다를 수 있습니다.)
   - 모델 선택: 다크넷 홈페이지에서 다운로드 받은 weights 파일 선택
   - 욜로 라벨: 이 글에 첨부되어 있는 coco.names 파일 선택
   - 욜로 콘피크: 이 글에 첨부되어 있는 volov3.cfg 파일 선택
2. 찾기 영역
   - 동영상 화면을 드래그하여 선택

 

 실행(Ctrl+Alt+F8)하면 바탕화면의 Result폴더에 이미지가 100장 만들어집니다. 아래는 몇장을 추출한 이미지입니다.

 

 

 

 

 

속성 정보 

  

  

기본 작업

• 사용 여부: 이 액션의 사용 여부를 설정합니다. False로 설정하면 이 액션은 실행되지 않습니다.
• 설명: 이 액션의 부가적인 설명을 입력합니다.
• 실행 전 지연: 이 액션이 실행되기 전 지연 시간을 입력합니다.
• 실행 후 지연: 이 액션이 실행된 후 지연 시간을 입력합니다.
• 실행율: 이 값이 100이면 무조건 실행됩니다. 50으로 설정하면 50프로 확률로 실행되거나 안될수도 있습니다.
• 아이디: 스크립트 내에서 유니크한 아이디를 입력합니다.

 

대상 이미지 저장 확장

• 감지 영역 색: 감지 영역에 테두리와 이름을 설정한 색으로 표시합니다.
• 감지 영역 표시: 감지 영역의 표시 여부입니다. (감지 영역 색으로 표시합니다.)
• 대상 이미지 저장: 찾을 대상 이미지 저장 여부입니다.
• 덮어쓰기: 기본 값은 False입니다. 이 값을 True로 변경하면 같은 이름으로 덮어쓰기됩니다.
• 이미지 저장 조건: 원본과 대상이미지를 저장할 수 있는 옵션입니다.
• 이미지 저장 지연: 이미지를 저장하는 행위는 스레드에 안전하지 않습니다. 작업이 완료될때까지 충분한 시간이 필요합니다.
• 저장 위치: 이미지를 저장할 폴더와 이미지 이름입니다.

 

데이터

• 마우스 좌표 목록: 감지된 모든 오브젝트의 마우스 좌표 목록을 표시합니다.
• 매인 윈도우 정보: 비활성 모드에서 동적으로 좌표를 계산하기 위해 매인 윈도우의 정보가 필요합니다.
• 매치 스코어: 감지된 모든 오브젝트의 스코어를 표시합니다.
• 분류 이름: 감지된 모든 오브젝트의 이름을 표시합니다.
• 이미지 정보 목록: 감지된 오브젝트의 정보를 표시합니다. (X, Y, Width, Height)
• 이미지 텍스트 결과: 오브젝트 감지가 성공하면 표시할 텍스트입니다.
• 컨트롤 윈도우 정보: 비활성 모드에서 동적으로 좌표를 계산하기 위해 컨트롤 윈도우의 정보가 필요합니다.

 

마우스 동작

• 다운 업 랜덤 지연 최대값: 마우스 다운 업의 랜덤 지연 값입니다. 이 값은 최소값보다 커야 합니다.
• 다운 업 랜덤 지연 최소값: 마우스 다운 업의 랜덤 지연 값입니다.
• 다운 업 지연: 마우스의 다운과 업 사이에 지연시킬 값입니다.
• 랜덤 맥시멈: 마우스 좌표를 랜덤하게 처리하기 위한 최대값입니다.
• 랜덤 미니멈: 마우스 좌표를 랜덤하게 처리하기 위한 최소값입니다.
• 랜덤 적용 옵션: X, Y하나만 랜덤값을 적용합니다. 모두 랜덤하게 하려면 XY를 선택하세요.
• 마우스 동작: 마우스 동작을 선택합니다.
• 마우스 액션 인덱스: 멀티 마우스 액션에서 인덱스를 선택하면 이 값으로 감지된 오브젝트 목록에서 선택한 인덱스에 마우스 액션이 실행됩니다.
• 마우스 위치: 찾은 이미지의 범위 내에서 마우스 위치를 선택할 수 있습니다.
• 마우스 절대 좌표: 이 값을 설정하면 이미지를 찾은 위치가 아닌 이 값으로 마우스가 동작합니다.
• 멀티 마우스 액션: 이미지에서 여러개의 오브젝트가 감지 되었을 때 마우스 액션 적용 범위를 선택합니다.
• 모서리 위치: 찾은 이미지의 영역을 9분할하여 모서리쪽에 클릭합니다.
• 비활성 모드 방식: 비활성 모드에서 액션을 처리하는 방식을 선택할 수 있습니다.
• 최종 좌표 사용: 최종 좌표 사용을 True로 변경하면 랜덤, 오프셋이 적용된 좌표값으로 표시됩니다. False는 원본 좌표값을 표시하지만 랜덤이나 오프셋은 적용됩니다.
• 활성 모드 방식: 활성 모드에서 액션을 처리하는 방식을 선택할 수 있습니다.

 

변수

• 가져오기: 글로벌 또는 로컬 변수에 저장되어 있는 값을 이 액션의 속성 값으로 가져옵니다.
• 추가하기: 이 액션의 속성 값을 글로벌 또는 로컬 변수에 저장합니다.

  

욜로 모델

• GPU 사용: GPU 사용 여부를 설정합니다.
• GPU 수: 오브젝트 검출에 사용할 GPU의 수를 입력하세요.
• 갱신: 욜로 랩퍼(Wrapper)를 갱신합니다. 이 값을 True로 설정하면 새로운 욜로 랩퍼를 만들지만 속도가 저하됩니다.
• 모델 선택: 이미지에서 오브젝트를 검출하기 위해 학습된 모델을 선택합니다.
• 욜로 라벨: 욜로에서 감지 또는 검출할 오브젝트의 이름 목록 파일을 선택합니다.
• 욜로 콘피그: 욜로 콘피그 파일을 선택합니다.

 

이미지 편집

• 흑백 사용: 이미지를 흑백으로 변환 후 오브젝트 감지에 사용합니다.

 

작업

• 비교 간격: 이미지를 다시 비교하기까지 시간을 나타냅니다.
• 비교 횟수: 이미지를 다시 비교하는 횟수를 설정할 수 있습니다.
• 이미지 순서: 찾은 모든 이미지의 순서를 설정합니다. 순서는 콤마로 구분하여 입력하세요.
• 이미지 텍스트: 조건이 같음(True)일 때 표현한 텍스트입니다.
• 찾기 영역: 이미지를 찾는 영역이 너무 크면, 성능이 저하될 수 있습니다. 가능하면 이미지를 찾는 영역을 작게 설정하세요.
• 최상위 하나: 찾은 오브젝트들 중에서 가장 높은 점수(Score)를 받은 하나만 처리합니다.
• 최소 유사율: 이미지 검출에 사용하는 최소 유사율입니다.

 

조건 설정

• 같음: 이미지 체크에서 동일한 이미지로 판단된 경우 이동할 액션의 아이디를 설정합니다.
• 다름: 이미지 체크에서 다른 이미지로 판단된 경우 이동할 액션의 아이디를 설정합니다.

 

[ 조건의 조건 지연 실행 옵션 도움말 ]

[ 조건의 되돌아가기 사용 옵션 도움말 ]

 

개발자에게 후원하기 

 

 

추천, 구독, 홍보 꼭~ 부탁드립니다.

여러분의 후원이 빠른 귀농을 가능하게 해줍니다~ 답답한 도시를 벗어나 귀농하고 싶은 개발자~

감사합니다~

추천0 비추천0